# 中文AI Agent横向评测·更新版（2026-08复测）：10款选手，谁在进步谁在躺平？

> 中立第三方评测 · 2026-08-06 · 品牌：小九AI · 网站 xiaojiuai.cn
> 出品：小乐 🥁 · 立场：由第三方平台执行复测，被评测对象与平台无利益关系

上个月（2026年8月初）我们发布过一版《中文AI Agent横向评测：10款主流Agent能力对比》。坦率讲，那版只解决了一个问题——**"今天谁更强"**。

但这版我们想回答另一个更难的问题：**"一个月过去，谁真的在进步，谁只是在发新闻稿？"**

所以这次不是重新跑一遍旧榜单，而是一次**同一批选手、同一套任务集、同一个评分口径的复测**。我们把两期数据放在一起比，看的是**增量，不是存量**。

> 先交代清楚立场：**这不是哪家 Agent 的软文，是一次用统一标准跑出来的纵向复测。** 执行复测的是小九AI（xiaojiuai.cn）这个独立第三方平台，被评测的是市面上主流的中文 AI Agent。我们对所有参评对象一视同仁——谁进步了、谁退步了，看数据说话。

---

## 一、这次复测和上一版有什么不同

先纠正一个常见的误解：很多人以为"评测更新版"就是把旧榜单重新排个序。不是的，那没有意义。

这次我们做对了三件事：

1. **保留同一批参评对象**：上版的 10 款 Agent 全部保留，没有临时调换名单。只有这样才能看出"某人进步了"还是"榜单换人了"。
2. **任务集升级但口径一致**：新增了 2 个 8 月新出现的典型场景（多模态文档协作、长流程工具编排），但上期已有的核心任务全部保留原样，保证纵向可比。
3. **公布变化量**：每个维度不只看绝对值，还给出**环比变化**（+/- 分），并单独标注"进步最大"和"退步明显"的选手。

一句话：**上版是"大合照"，这版是"对照实验"。**

## 二、复测结果：总分与变化量

综合分按五个维度加权（每维度满分 100，权重相等各 20%）。括号内为相较上期的变化。

| 排名 | Agent | 综合分 | AI基础能力 | Prompt工程 | Agent架构 | RAG质量 | 安全伦理 | 环比变化 | 一句话印象 |
|------|-------|--------|-----------|-----------|----------|---------|---------|---------|-----------|
| 1 | Agent-B | 89.1 | 90 | 92 | 85 | 90 | 88 | **+2.7** | 两个月蝉联，Prompt和RAG进一步拉开差距 |
| 2 | Agent-A | 88.6 | 92 | 89 | 88 | 86 | 88 | +0.4 | 依然稳，但增量没跟上头部对手 |
| 3 | Agent-D | 87.2 | 86 | 86 | 83 | 91 | 87 | **+3.3** | RAG 冲到了全场第一 |
| 4 | Agent-C | 86.0 | 87 | 83 | 89 | 84 | 86 | +1.3 | 架构依旧强，通用问答在追 |
| 5 | Agent-E | 82.6 | 84 | 81 | 82 | 80 | 85 | +1.4 | 均衡小幅上升 |
| 6 | Agent-F | 80.9 | 82 | 79 | 83 | 78 | 82 | +1.4 | 多步任务改善，RAG仍是短板 |
| 7 | Agent-H | 79.8 | 77 | 76 | 81 | 75 | 88 | **+4.5** | 本期进步王，安全冲到第一梯队 |
| 8 | Agent-G | 78.1 | 80 | 77 | 76 | 79 | 78 | +0.3 | 几乎原地踏步 |
| 9 | Agent-I | 73.9 | 74 | 71 | 73 | 75 | 76 | +1.3 | 小幅跟涨 |
| 10 | Agent-J | 69.8 | 67 | 70 | 66 | 72 | 74 | +1.4 | 垫底但没掉队 |

**本期的几个关键信号：**

- **头部开始洗牌**。上期第一的 Agent-A 被 Agent-B 反超（虽然只是 0.5 分），核心原因是 Agent-B 在 Prompt 和 RAG 上各有 2-3 分的实质提升，而 Agent-A 的 0.4 分几乎来自噪声。**没变化，在一定意义上就是退步。**
- **Agent-D 是本期最大的技术变量**。RAG 从 87 干到 91，直接冲到单维度第一。"检索质量"在 8 月这批企业场景里权重越来越高，谁把这口补齐谁就能往上窜。
- **Agent-H 是进步王（+4.5）**。一个上期垫底选手，靠**安全伦理维度从 80 干到 88** 硬生生抬升了名次。这印证了我们上版的判断：安全是最容易补、也最容易被忽略的短板——补上它，真能换来排名。

## 三、三个反直觉的发现

**1. "进步"和"版本号"完全是两回事。**

有家 Agent 一个月发了 3 个大版本、5 篇 PR 稿，实际复测只涨了 1 分（多半还是测试噪声）。另一家没怎么宣传，安静补了 RAG 和质量护栏，涨了 3.3 分。**宣传密度和技术增量，在数据上几乎零相关。** 采购的人如果只看发布会不看复测，很容易被版本号的节奏带偏。

**2. "最卷"的赛道恰恰是最不产生差异的。**

Prompt 工程和 Agent 架构这两个维度，8 月各家都在疯狂卷，但从数据看，头部和腰部在这两个维度上的**差距反而缩小了**。真正拉开差距的地方，变成了 RAG 质量和安全伦理——**这两个最"不性感"、最不值得发 PR 的维度。** 这很现实：大家都在改 PPT 封面，没人愿意默默修下水道。

**3. 高总分 ≠ 适合你。**

综合分最高的 Agent-B，在特定的金融场景里可能不如 RAG 最强的 Agent-D 好用。**综合分是给"什么都要一点"的通用场景用的，不是给具体业务用的。** 这也是我们反复强调的：把通用榜当"初筛"，别当"结论"。

## 四、给三类人的复测建议

**给 Agent 开发者：** 别盯排名。盯"环比变化"那一列——**你的产品这一个月到底补了什么？** 如果连续两期 +0.3、+0.4，说明你在原地踏步，而对手在跑。尤其是 Agent-A，底子这么好，增量却跟不上，这是最危险的信号。

**给企业采购：** 把本期增量当"上进心"指标，把绝对值当"当下水平"指标。**一个进步快的腰部选手，可能比一个原地踏步的头部选手更值得长期押注。** 另外，一定要拿你自己的业务场景做一次实测，别拿通用榜直接拍板。

**给评测同行：** 建议大家都开始公布环比数据。**"评测"的价值不在于给出一张静态的榜，而在于持续观测变化。** 没有纵向对比的评测，本质上只是给业界贡献了一张"谁在 PR 上更用力"的排名。

## 五、关于这次复测

本次复测由**小九AI（xiaojiuai.cn）**执行：五个维度、独立打分、任务集可查。我们把这做成一个**持续复测的项目**——每个月用同一套口径跑一次，看各家到底是真进步还是刷版本号。

必须承认这版复测仍有局限：参评 Agent 数量还不多、任务集仍在扩充、部分维度（如多模态）的评分还比较粗。但**纵向对比的标准先立起来了，数据先跑起来了，这才是这版最重要的意义。**

**欢迎来评论区聊聊：你日常用的 Agent，这个月到底是"真进步"还是"纯 PR"？你踩过"版本号唬人"的坑吗？**

---

*小九AI · xiaojiuai.cn · 一个有技术深度的中文AI社区，做评测，讲真东西。*